Urban Flood Susceptibility Mapping for Toronto, Canada, Using Supervised Regression and Machine Learning Models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT Floods are one of the most devastating natural hazards, causing adverse effects on human life, well‐being, property, and the environment. The application of five machine‐learning techniques in pluvial flood susceptibility mapping was investigated using the case study of two severe storms (2005 and 2013) in Toronto, Canada. Sixteen flood conditioning factors, including elevation, slope, topographic wetness index, stream power index, amount of permeable and impermeable surfaces, and more, were used to evaluate their importance in terms of flooding impacts for the 2005 and 2013 severe storms. Extreme gradient boosting (XGBoost) and an ensemble method are identified as the best models for the tracks of severe storms in 2005 and 2013. The AUROC (Area under the Receiver's Operating Characteristic Curve) analysis shows that precipitation was the most critical variable, followed by groundwater level and distance from sewers, during the two major storm events investigated. However, the flood susceptibility maps are specific and depend on the storm track and intensity‐duration characteristics for each significant storm event. Depending on the seasonal groundwater levels and the storm sewer drainage capacity of an area, the system may be overwhelmed, and houses may be flooded if the rainfall intensity and duration exceeds the urban stormwater drainage system capacity. This research provides a foundational understanding of the factors influencing urban flood risk and the statistical models that result from pluvial rainfall events. However, there is a need for more research on rainfall events with different tracks, intensities, and durations to provide reliable ensemble flood susceptibility mapping that could be used to calculate the flood risk for a given area.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle